【技術實現步驟摘要】
本專利技術涉及橋梁位移檢測領域，尤其是一種基于目標檢測的無人機橋梁位移檢測方法。
技術介紹
1、隨著我國橋梁建設事業的迅猛發展，大型超級工程橋梁建設量與日俱增。在橋梁的全壽命周期中，養護期占橋梁壽命的90％，而橋梁的長期正常使用，不僅取決于建造質量，更依賴于后期的健康監測和養護水平。隨著橋梁結構在交通運輸建設中所占比重不斷增加，橋梁的老化將導致橋梁結構不斷被破壞，同時載荷能力也將減弱。為了保證橋梁的安全運行，避免災難性垮塌，需要對橋梁進行健康安全監測。
2、傳統利用接觸測量系統獲取結構的動態位移是橋梁損傷識別和橋梁安全評估的重要方法，但接觸式傳感器的安裝過程比較繁瑣，需要在現場埋設大量管線連接傳感器，而且對監測結構體的正常運營有影響。
3、可見，傳統方法在實際應用中的限制較大，且需要在監測目標上選擇一個固定的參考點安裝傳感器，而在很多情況中如跨越江河、溝谷的橋梁和一些位于地形比較崎嶇的建筑結構，要找到一個穩定的固定點安裝測量傳感器比較困難，很難滿足對橋梁位移高效、便捷、低成本的測量。相比之下，無人機憑借其快速抵達橋梁各部位的能力，顯著縮短了檢測周期。不僅如此，無人機還具備在各種惡劣天氣條件下作業的能力，如強風、雨雪天氣，這些條件下接觸式測量往往難以施展。此外，無人機不受復雜地形的限制，能在山區、高原等地理環境復雜的區域中獲取更為精確的數據。因此為了讓橋梁檢測適應更多的環境，更加便捷高效，亟需專利技術一種通過使用無人機的橋梁位移檢測方法。
技術實現思路
1、專
2、技術方案：本專利技術提供一種基于目標檢測的無人機橋梁位移檢測方法，模擬場地示意圖如圖1所示，具體包含以下步驟：
3、s1：設計出一種如圖2所示的柵格樣式。
4、s2：拍攝不同條件下的柵格照片，標注標記關鍵信息，得到標記數據集，并分為訓練集和測試集。
5、s3：以yolov8目標檢測網絡模型為基礎網絡，用標記訓練集訓練yolov8目標檢測模型。將訓練后的模型在測試集上進行推理，識別目標得到標記的檢測框信息，最后得到準確的檢測結果。
6、s4：以檢測框確定的中心點為范圍，對圖像進行顏色特征提取，提取紅色區域，并求解區域質心。
7、s5：對圖像進行梯度信息調整中心點位置，改善中心點位置達到亞像素級別精度。
8、s6：利用向量對準法初次校準無人機前后時刻的圖像，以減弱無人機自身振動和氣流的影響。
9、s7：對圖像的柵格區域，利用灰度化和高斯模糊等圖像預處理操作，提高圖像質量并去除噪聲干擾，然后使用采樣摩爾紋法進一步補償圖像，實現精準的圖像校正并精確對齊。
10、s8：根據坐標高精度計算橋梁位移。
11、所述s1中，如圖2所示，采用的柵格樣式形狀，由五行五列矩形方塊構成，其中心處為紅色方塊，其余的為黑色方塊。標記材料由pvc塑料板制成。通過精密噴墨打印機將目標圖案噴涂在塑料板表面，然后覆蓋抗氧化透明保護層，以減緩目標的褪色。柵格標記由參考標記和測量標記構成：設置在橋梁的兩端支座處的稱為參考標記，設置在橋梁的待測部位的稱為測量標記。
12、所述s2中，模擬場景示意圖如圖1所示。拍攝時考慮了不同外界復雜干擾環境的影響情況，從而增強了模型在各種條件下的應用范圍和適用性。
13、所述s3中，使用yolov8是因為其在處理復雜場景時表現出卓越的能力。yolov8繼承了yolo系列一貫的高效性，并通過單次檢測的核心思想大大加快了目標檢測的速度。yolov8通過一次網絡前向傳遞即可完成目標的位置回歸和類別預測，這種方法顯著提高了檢測速度，特別適用于實時性要求較高的應用場景。同時，yolov8采用了最新的卷積層、跨層連接和增強的特征提取模塊，使用變形卷積技術優化傳統卷積神經網絡，能夠更好地捕捉圖像的細節特征。此外，yolov8增加了多尺度的特征融合，同時考慮細節和全局信息，進一步提升了檢測的準確性。yolov8網絡模型的訓練方法為：將數據集劃分為訓練集和驗證集，設置訓練系數及每次訓練輸入的圖片數量，訓練結束后，保存訓練好的權重。而后，根據檢測框的中心確定初步定位中心坐標c0(x,y)。
14、所述s4中，顏色特征提取根據初步估計的中心點位置c0(x,y)為范圍，從圖像中提取紅色區域。區域包括了目標物體的顏色特征。將提取的區域轉換到hsv顏色空間。hsv空間由顏色的類型(hue)、純度(saturation)和亮度(value)組成，hsv顏色空間對顏色的描述更符合人類感知，通過顏色閾值化標示出目標顏色的區域。對于每個區域輪廓，通過空間矩計算像素質心進一步定位柵格的中心點c1(x′,y′)：
15、mji＝∑x.y(array(x,y)·xj·yj)
16、其中i，j分別表示在x和y方向上的階數，i,j∈n。i(x,y)為二值化圖像在點(x,y)處的像素值。
17、由上式可得：
18、
19、所述s5中，為了改善中心點位置達到亞像素級別精度，進一步通過圖像梯度信息調整中心點位置。梯度代表了圖像灰度值在空間上的變化方向和速率，因此利用這些信息可以得到像素網格間的最佳位置。因此，基于sobel算子計算圖像在橫向、縱向梯度值，梯度信息可以提供圖像中局部變化的方向和強度信息。其中sobel算子：
20、
21、于是，x方向的梯度為：
22、
23、y方向的梯度為：
24、
25、假設通過以上得到的點c1(x′,y′)附近在x方向的梯度圖(考慮窗口大小為3×3)如下式所示：
26、
27、則梯度可表示為：
28、
29、對于中心點c1附近x方向的橫向位移，可表示為：
30、
31、通過上式，便可計算出x方向上的調整量dx為:
32、
33、同理可計算出y方向上的調整量dy。至此，梯度優化后的標記中心坐標c2(x″,y″))如下式所示：
34、
35、通過以上調整使得新位置更好地符合梯度均衡的條件，即更接近實際的標記中心。
36、所述s6中，建立了基于向量對準法的無人機振動剔除的模型，由于無人機的運動，變形前后時刻捕捉到的圖像在兩個時刻之間會發生變化，可采用仿射變換矩陣進行圖像校正。假設平面中有一點(x,y)，可通過仿射變換矩陣改變至(x’,y’)處：
37、
38、但矩陣中縮放因子s，旋轉角度θ，以及平移量tx和ty未知。假設通過提取柵格中心方法得到的初始圖像中參考點為c2a(xa,ya)，c2b(xb,yb)。同理，變形后圖像中參考點為c2a′(xa’,ya本文檔來自技高網...
【技術保護點】
1.一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，該方法通過基于深度學習的目標檢測方法，提取柵格中心位置并進行無人機圖像校正，高精度的計算橋梁位移。
3.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S1中，采用的柵格樣式形狀，由五行五列矩形方塊構成，其中心處為紅色方塊，其余的為黑色方塊。
4.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S2中，構建了標記數據集，考慮了不同外界復雜干擾環境的影響情況，以適應模型在各種條件下的應用范圍。
5.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S3中，YOLOv8網絡模型的訓練方法為：將數據集劃分為訓練集和驗證集，設置訓練系數及每次訓練輸入的圖片數量，訓練結束后，保存訓練好的權重。
6.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S4中，根據
7.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S5中，對圖像進行梯度信息處理，改善中心點位置達到亞像素級別精度，通過基于Sobel算子計算圖像在橫向、縱向梯度值，調整中心點位置。
8.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S6中，建立了基于向量對準法的無人機振動剔除方法，求解仿射變換矩陣進行圖像校正。
9.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S7中，變形前后的圖像在經向量對準法的校正后，對于參考柵格的圖像區域，首先利用灰度化和高斯模糊等圖像預處理操作，提高圖像質量并去除噪聲干擾，然后使用采樣摩爾紋法進一步補償圖像，實現精確對齊。
10.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述S8中，根據補償后的坐標和初始圖像的坐標，得到目標的相對位移。然后將測點的相對位移減去參考系位移得到測點絕對位移，并通過比例換算得到實際的橋梁位移。
...【技術特征摘要】
1.一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，該方法通過基于深度學習的目標檢測方法，提取柵格中心位置并進行無人機圖像校正，高精度的計算橋梁位移。
3.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述s1中，采用的柵格樣式形狀，由五行五列矩形方塊構成，其中心處為紅色方塊，其余的為黑色方塊。
4.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述s2中，構建了標記數據集，考慮了不同外界復雜干擾環境的影響情況，以適應模型在各種條件下的應用范圍。
5.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述s3中，yolov8網絡模型的訓練方法為：將數據集劃分為訓練集和驗證集，設置訓練系數及每次訓練輸入的圖片數量，訓練結束后，保存訓練好的權重。
6.根據權利要求1所述的一種基于目標檢測的無人機橋梁位移檢測方法，其特征在于，所述s4中，根據初步估計的目標范圍，通過目標物體的顏色特征從圖像中提取紅色區域。將提取的...
【專利技術屬性】
技術研發人員：藺鵬臻，梁濤，徐一帆，丁攀，馬俊軍，
申請(專利權)人：蘭州交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。